Пока никто не оставил комментариев к этой публикации.
Вы можете быть первым.

1. Трофимова Е.В., Туральчук К.А. Разработка рекомендательной системы на основе анализа тональности текста // Актуальные проблемы гуманитарных и естественных наук. – 2015. – №1. – С. 93-94.
2. Пазельская А.Г., Соловьев А.Н. Метод определения эмоций в текстах на русском языке // Компьютерная лингвистика и интеллектуальные технологии: cб. научных статей. Вып. 10 (17). – М.: Изд-во РГГУ, 2011. – С. 510–522.
3. Котельников Е.В., Клековкина М.В. Автоматический анализ тональности текстов на основе методов машинного обучения //Программный комитет конференции выражает искреннюю благодарность Российскому фонду фундаментальных исследований за финансовую поддержку, грант № 12-06-06045-г. – 2012. – С. 27.
4. Ермаков П.Д., Федянин Р.В. Исследование методов машинного обучения в задаче автоматического определения тональности текстов на естественном языке // Новые информационные технологии в автоматизированных системах. – 2015. – №18. URL: https://cyberleninka.ru/article/n/issledovanie-metodov-mashinnogo-obucheniya-v-zadache-avtomaticheskogo-opredeleniya-tonalnosti-tekstov-na-estestvennom-yazyke
5. Пескишева Т.А. Методы анализа тональности текстов на естественном языке // Общество. Наука. Инновации (НПК-2017). – 2017. – С. 1730-1742.
6. Кудинов М.С. Статистическое моделирование русского языка с помощью нейронных сетей:
   Дис. д-ра тех. наук. М., – 2016. – 106 с.
7. Тарасов Д. Глубокие рекуррентные нейронные сети для аспектно-ориентированного анализа тональности отзывов пользователей на различных языках // По материалам ежегодной Международной конференции «Диалог. – 2015. – №. 14. – С. 21.
8. Shelke N., Deshpande S., and Thakare V. ‘‘Domain independent approach for aspect-oriented sentiment analysis for product reviews’’ in Proc. 5th Int. Conf. Frontiers Intell. Comput., Theory Appl., Singapore, Mar. 2017, pp. 651–659.
9. Sharma U., Datta R.K., and Pabreja K. ‘‘Sentiment analysis and prediction of election results 2018’’ in Social Networking and Computational Intelligence, R.K. Shukla, J. Agrawal, S. Sharma, N.S. Chaudhari, and K.K. Shukla, Eds. Singapore: Springer, 2020, pp. 727–739.
10. Iacus S., Porro G., Salini S., and Siletti E., ‘‘An Italian composite subjective well-being index: The voice of Twitter users from 2012 to 2017,’’ Social Indicators Res., vol. 149, pp. 1–19, 2020.
11. Carosia A.E.O., Coelho G.P., and Silva A.E.A. ‘‘Analyzing the Brazilian financial market through portuguese sentiment analysis in social media’’ Appl. Artif. Intell., Vol. – 34. – No. 1. – Pp. 1–19. Jan. 2020.
12. Kumar A., Srinivasan K., Cheng W.-H., and Zomaya A.Y. ‘‘Hybrid context enriched deep learning model for fine-grained sentiment analysis in textual and visual semiotic modality social data’’ Inf. Process. Manage., vol. 57, no. 1, Jan. 2020, Art. no. 102141. [Online]. Available: http://www.sciencedirect.com/science/article/pii/S0306457319306934
13. Schütze H., Manning C.D., and Raghavan P., Introduction to Information Retrieval, vol. 39. Cambridge, U.K.: Cambridge Univ. Press, 2008.
14. Medhat W., Hassan A., Korashy H. Sentiment analysis algorithms and applications: A survey // Ain Shams engineering journal. – 2014. – Т. 5. – №. 4. – P. 1093-1113.
15. Quinlan J.R. ‘‘Induction of decision trees’’ Mach. Learn., vol. 1, no. 1, pp. 81–106, 1986.
16. Chin Chen Chien, Tseng You-De. Quality evaluation of product reviews using an information quality framework. Decis Support Syst 2011; 50: 755–68.
17. Vapnik V. Statistical learning theory. New York: Wiley, 1998.
18. Bengio Y. Learning deep architectures for AI // Foundations and Trends in Machine Learning, 2009.
19. Kim Y. Convolutional neural networks for sentence classification. // In Proceedings of the 2014 Conference on EMNLP. – 2014.
20. Zvonarev A. A Comparison of Machine Learning Methods of Sentiment Analysis Based on Russian Language Twitter Data. – 2019.
21. Hasan A. et al. Machine learning-based sentiment analysis for twitter accounts //Mathematical and Computational Applications. – 2018. – Т. 23. – №. 1. – P. 11.
22. Ahmad M. et al. Machine learning techniques for sentiment analysis: A review //Int. J. Multidiscip. Sci. Eng. – 2017. – Т. 8. – №. 3. – P. 27.
23. Wang X., Jiang W., Luo Z. Combination of convolutional and recurrent neural network for sentiment analysis of short texts //Proceedings of COLING 2016, the 26th international conference on computational linguistics: Technical papers. – 2016. – P. 2428-2437.